Praxisnahes Machine Learning mit AWS: Daten vorbereiten, Modelle trainieren, bereitstellen und überwachen.
Machine Learning (ML) Engineering auf Amazon Web Services (AWS) ist ein dreitägiger Kurs auf mittlerem Niveau, der sich an ML-Fachkräfte richtet, die maschinelles Lernen auf AWS erlernen möchten. Die Teilnehmenden lernen, ML-Lösungen in großem Maßstab zu entwickeln, bereitzustellen, zu orchestrieren und zu betreiben – durch eine ausgewogene Kombination aus Theorie, praktischen Übungen und interaktiven Aktivitäten. Dabei sammeln sie praktische Erfahrungen mit AWS-Services wie Amazon SageMaker und Analyse-Tools wie Amazon EMR, um robuste, skalierbare und produktionsreife ML-Anwendungen zu entwickeln.
Nutzen
In diesem Kurs lernen Sie unter anderem:
Die Grundlagen des maschinellen Lernens sowie dessen Einsatzmöglichkeiten in der AWS Cloud zu erklären.
Daten für ML-Aufgaben mithilfe von AWS-Services zu verarbeiten, zu transformieren und aufzubereiten.
Geeignete ML-Algorithmen und Modellierungsansätze basierend auf Problemstellungen und Interpretierbarkeit auszuwählen.
Skalierbare ML-Pipelines mit AWS-Services für Training, Bereitstellung und Orchestrierung zu entwerfen und umzusetzen.
Automatisierte Continuous-Integration- und Delivery-(CI/CD-)Pipelines für ML-Workflows zu erstellen.
Angemessene Sicherheitsmaßnahmen für ML-Ressourcen auf AWS zu benennen.
Überwachungsstrategien für eingesetzte ML-Modelle umzusetzen, einschließlich Techniken zur Erkennung von Datenabweichungen (Data Drift).
Zielgruppe
Dieser Kurs richtet sich an Fachkräfte, die daran interessiert sind, Machine-Learning-Modelle auf AWS zu entwickeln, bereitzustellen und in den produktiven Betrieb zu überführen. Dazu zählen sowohl bereits tätige als auch angehende Machine-Learning-Engineers, die möglicherweise nur wenig Vorerfahrung mit AWS haben. Auch Rollen wie DevOps Engineer, Entwickler oder SysOps Engineer können von dieser Schulung profitieren.
Anforderungen
Wir empfehlen den Teilnehmenden dieses Kurses folgende Voraussetzungen:
Vertrautheit mit grundlegenden Machine Learning-Konzepten
Praktische Kenntnisse in der Programmiersprache Python sowie in gängigen Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn
Grundlegendes Verständnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS
Erfahrung mit Versionskontrollsystemen wie Git (vorteilhaft, aber nicht erforderlich)
Inhalte
Tag 1
Modul 1: Einführung in Machine Learning (ML) auf AWS
Thema A: Einführung in ML
Thema B: Amazon SageMaker KI
Thema C: Verantwortungsvolles ML
Modul 2: Analyse von Herausforderungen im Machine Learning (ML)
Thema A: Bewertung von geschäftlichen ML-Herausforderungen
Thema B: ML-Trainingsansätze
Thema C: ML-Trainingsalgorithmen
Modul 3: Datenverarbeitung für Machine Learning (ML)
Thema A: Datenvorbereitung und Datentypen
Thema B: Explorative Datenanalyse
Thema C: AWS-Speicheroptionen und Auswahl des Speichers
Modul 4: Datenumwandlung und Feature Engineering
Thema A: Umgang mit fehlerhaften, doppelten und fehlenden Daten
Thema B: Konzepte des Feature Engineering
Thema C: Techniken der Merkmalsauswahl (Feature Selection)
Thema D: AWS-Datenumwandlungsdienste
Lab 1: Analyse und Vorbereitung von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR
Lab 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK
Tag 2
Modul 5: Auswahl eines Modellierungsansatzes
Thema A: In Amazon SageMaker KI integrierte Algorithmen
Eine detaillierte Preisaufstellungen finden Sie im jeweiligen Veranstaltungstermin in der Terminauswahl. Die Preise verstehen sich bei Unternehmern gem. § 14 BGB zzgl. MwSt. Der dargestellte Ab-Preis entspricht dem niedrigsten verfügbaren Gesamtpreis pro Person.
Terminauswahl für Machine Learning Engineering on AWS.
Der Filter Ort steht Ihnen nicht zur Verfügung, da hierfür eine externe Verbindung zu Google Maps aufgebaut werden muss und Sie keine entsprechenden Verbindungen bzw. Cookies zugelassen haben. Cookie-Einstellungen ändern
